基于TM-1的GNSS-R海面风速反演全球适用性分析
(中国石油大学 (华东) 海洋与空间信息学院, 青岛 266580)
摘要: 全球导航卫星系统反射测量技术 (GNSS-R) 凭借其低成本、信号穿透性强、全天候观测等优势, 在海面风速反演领域展现出巨大潜力。然而, 由于CYGNSS卫星的覆盖范围有限, 当前星载GNSS-R研究主要集中于低纬度区域, 缺乏对GNSS-R风速反演在全球范围内适用性的系统验证。为此, 本文基于天目一号气象星座 (TM-1) L2海面风速产品, 结合欧洲中期天气预报中心第五代全球再分析资料ERA5, 从风速区间、GNSS信号源及地理区域三个维度系统评估GNSS-R风速反演的全球适用性。统计结果表明: TM-1风速产品具备全球范围反演能力, 整体均方根误差 (RMSE) 为2. 22m/s, 且反演精度呈现显著的风速依赖性。10m/s以下的低风速区间反演精度较高, 但随风速增大反演精度逐渐下降, 尤其在高风速条件下对海洋表面粗糙度变化的感知能力存在一定局限性。此外, 不同GNSS信号源的风速反演精度存在差异, 其中Galileo信号最优, Glonass信号最差。在地理分布上, 风速反演精度随纬度增加呈下降趋势, 表现出明显的纬度梯度特征。这一现象表明, GNSS-R在低纬度地区具有良好的适用性, 但在高纬度极地地区受海冰覆盖、风浪增强等因素影响, 反演误差显著增加。本研究为GNSS-R风速反演的全球适用性提供了量化评估, 为未来GNSS-R在中高纬度及高风速条件下的优化应用奠定了基础。
引用格式: 潘跃威, 宋冬梅. 基于TM-1的GNSS-R海面风速反演全球适用性分析[J]. 交叉科学学报, 2025, 2(2): 58-66.
文章类型: 研究性论文
收稿日期: 2025-03-03
接收日期: 2025-03-09
出版日期: 2025-06-28
1 引言
全球导航卫星系统反射测量技术(Global Navigation Satellite System Reflection，GNSS-R)是一种新型的遥感技术，它利用现有的GNSS卫星信号进行观测，无须额外设置信号发射装置，设备结构相对简单，具备显著的成本优势[1]。与GNSS直射信号相比，反射信号受到反射界面影响，在强度、频率、极化等方面产生差异[2]。以反射信号特征为基础，可以进行反射界面物理参数反演、目标探测等工作。GNSS-R技术通过接收和处理GNSS反射信号，生成时延多普勒图(Delay-Doppler Map，DDM)，并基于DDM提取的特征信息建立反演模型，实现对海面风速的精准测定[3]。相较于传统遥感探测方法，GNSS-R技术使用的L波段信号穿透性强，不易受天气条件影响，保证了数据的稳定性。此外，GNSS-R接收机技术成熟，功耗低、体积小，适用于多种观测平台，可搭载于卫星、无人机或浮标等载体，实现广范围、全天候、近实时监测。2016年，美国完成了飓风全球导航卫星系统(Cyclone Global Navigation Satellite System，CYGNSS)的发射，组成了由8颗GNSS-R卫星构成的星座。该星座分布在近地轨道，以35°倾角绕地球运行，覆盖全球38°S至38°N之间的热带海洋区域。其组网运行方式显著提高了测量频率，将重访时间缩短至7小时以内，相较于传统微波遥感卫星，极大增强了飓风风速测量的精度和预测能力[4]。当前绝大多数的星载GNSS-R也基于CYGNSS开展[5-8]，导致研究区域主要集中在低纬度地区，缺乏对星载GNSS-R风速反演全球适用性的研究。
天目一号气象星座(TM-1)是我国首个以商业化模式建设的低轨气象卫星系统，当前完成23颗星组网观测，可覆盖全球区域，为全球海洋、大气和陆地环境监测提供了重要数据支持。本文基于TM-1风速产品，并以ECMWF ERA5再分析数据作为参考风速，从不同风速区间、不同GNSS信号源及不同地理区域等多个维度综合评估GNSS-R风速反演的全球适用性，为GNSS-R技术在全球海洋风场监测中的应用提供重要参考。
2 数据与方法
2.1 TM-1 L2海面风速数据
天目一号掩星气象探测星座(TM-1)是中国首个以商业化模式建设的低轨气象卫星系统，由中国航天科工集团下属航天天目(重庆)卫星科技有限公司运营，当前在轨23颗星，主要搭载GNSS掩星、海反探测载荷，支持北斗、GPS、Galileo、Glonass四大导航系统，从而大幅度提高了全球大气资料获取能力，能够获取全球分布、全天候的大气、地表和海表特性参数。TM-1 GNSS反射信号遥感，基于海面信号反射功率谱图，获取海面粗糙度，进而反演全球全天候全天时的海面风速产品。本文使用的是2023年9月1—30日TM-1 L2海面风速产品，数据分布情况如图1所示。
图1 TM数据分布图
Fig.1 TM data distribution map
2.2 ECMWF ERA5再分析风速数据
欧洲中期天气预报中心(European Centre for Medium-range Weather Forecast，ECMWF)的ERA5再分析数据集结合了模型数据与全球观测数据，生成大气状态的最佳估计，提供了自1940年以来的全球气象数据，是目前应用最广泛的海面风场数据之一[9-11]。ECMWF数据每天更新，延迟约为6天，数据的时空分辨率为1h和0.25°，涵盖海面10m高度的风速，包括10m U风分量和10m V风分量，并使用UTC时间。由于ECMWF海面风场数据可通过时空插值与TM数据对比，并能够较准确地描述海面的矢量风速，因此选择10m U风和V风矢量合成后得到的海平面10m风速作为参考风速，用于TM-1风速产品的精度检验。
2.3 数据预处理
本文按以下标准对TM L2风速产品数据进行质量控制:
(1)TM L2风速数据质量控制标志。
(2)观测值的距离增益校正(RCG)大于10。具体公式如下[12]:
(1)
式中，
为镜面反射点方向的天线增益，
为接收机到镜面反射点距离，
为导航卫星到镜面反射点距离。选择RCG>10的数据是为了去除增益不足的数据，确保所选数据具有足够的信号强度，从而避免这些数据对风速反演结果的干扰。
(3)卫星天线入射角小于60°。
2.4 数据匹配
为构建高质量的匹配数据集，对质量控制后的TM L2风速数据与ERA5风速数据进行时空匹配。鉴于TM风速数据与参考数据在时空采样特性上的差异，匹配过程中采用不同的时空匹配策略。首先，针对ERA5数据，由于其时间分辨率为1h，采用时间插值方法，将ERA5风速数据插值至TM-1观测时间，以确保时间上的一致性。其次，考虑到ERA5数据的空间分辨率为0.25°×0.25°，采用双线性插值方法，将其风速场插值至TM-1观测点位置，以提高匹配精度。在匹配过程中，严格执行质量控制措施，剔除风速缺失值和异常数据，以确保数据的可靠性。最终，构建高质量的匹配数据集，为进一步的分析和应用提供坚实的数据基础。
2.5 风速评估指标
TM-1 L2风速产品的数据质量可通过TM风速数据与参考数据之间的统计指标来评估，包括平均偏差(MB)、平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R)。这些指标能够量化风速反演结果与基准数据之间的误差特性，评估模型的系统性偏差、误差幅度及其相关性，从而反映TM L2风速产品的整体精度和适用性。相关公式如下:
(2)
(3)
(4)
(5)
式中，N表示样本量;Xi为TM风速数据;Yi为参考风速数据;
、
分别为TM风速数据和参考风速数据的平均值。
3 结果与分析
为全面评估GNSS-R风速反演的全球适用性，本文基于ERA5再分析数据，对2023年9月1日至2023年9月30日TM L2风速产品进行了多维度评估。评估内容涵盖不同风速区间、不同GNSS信号源及不同地理区域的影响，以系统分析产品在全球范围内的适用性。
3.1 不同风速区间分析
风速大小对GNSS-R反演风速的影响较为显著。低风速时，海面较为平静，导致信号反射特征较弱，而高风速时，海面粗糙度增加，可能超出GNSS-R反演模型的适用范围。本研究依据ERA5风速数据，将样本划分为0~5m/s、5~10m/s、10~15m/s、15~20m/s和大于20m/s五个区间，并分别计算各区间的均方根误差(RMSE)、平均绝对误差(MAE)、平均偏差(MB)和相关系数(R)，结果见表1。图2为TM L2风速与ERA5风速的散点密度分布。
表1 不同风速区间精度
Table 1 Accuracy in different wind speed zones
|
风速区间 |
有效样本量 |
均方根误差(m/s) |
平均绝对误差(m/s) |
平均偏差(m/s) |
相关系数 |
|
0~5m/s |
7658222 |
1.70 |
1.16 |
0.43 |
0.48 |
|
5~10m/s |
12586161 |
1.97 |
1.46 |
-0.01 |
0.51 |
|
10~15m/s |
4425385 |
2.88 |
2.36 |
-1.59 |
0.29 |
|
15~20m/s |
809352 |
4.61 |
4.01 |
-3.82 |
0.23 |
|
>20m/s |
26774 |
7.11 |
6.56 |
-6.48 |
0.18 |
|
全部 |
25505894 |
2.22 |
1.61 |
-0.28 |
0.80 |
图2 TM风速与ERA5风速散点密度图
Fig.2 Scatter density plot of TM wind speed vs.ERA5 wind speed
TM L2风速产品的误差特征呈现明显的风速依赖性。在0~5m/s的低风速区间，产品表现出最优的反演精度，其RMSE为1.70m/s，MAE为1.16m/s，相关系数R达到0.48。尽管存在0.43m/s的系统性高估，但该区间的整体误差水平为各风速段中最小，表明TM L2产品在低风速环境下具有较高的适用性。当风速增至5~10m/s区间时，RMSE略微上升至1.97m/s，但MB值趋近于零，显示该区间系统性误差最小，同时相关系数提升至0.51，表明此风速范围内产品具有较好的稳定性和可靠性。然而，随着风速的进一步增加，产品性能显著下降。在10~15m/s及以上风速区间，系统性低估现象明显，MB值从-1.59m/s急剧下降至-6.48m/s，同时RMSE也从2.88m/s显著增加至7.11m/s，表明高风速情况下TM L2风速产品的适用性较差。这可能与海面粗糙度增强、GNSS-R信号散射特性变化以及风速反演模型的适用性受限有关。
3.2 不同GNSS信号源分析
TM GNSS-R风速反演依赖于多个全球导航卫星系统(GNSS)的信号，包括Galileo(GAL)、Glonass(GLO)、GPS、北斗(BDS)。由于不同GNSS系统的信号频率、发射功率、轨道高度及传播特性不同，可能会对风速反演的精度产生影响。本节对比不同GNSS信号源的风速反演误差，分析各信号源对TM L2风速产品的影响。表2给出了不同GNSS信号类型下的误差统计结果。图3为不同GNSS信号源风速反演结果的散点密度图。
表2 不同GNSS信号源风速反演精度
Table 2 Wind speed inversion accuracy for different GNSS signal sources
|
GNSS信号类型 |
有效样本量 |
均方根误差(m/s) |
平均绝对误差(m/s) |
平均偏差(m/s) |
相关系数 |
|
GAL |
5905347 |
2.03 |
1.50 |
-0.40 |
0.85 |
|
GLO |
4087876 |
2.55 |
1.85 |
-0.31 |
0.72 |
|
GPS |
7666016 |
2.16 |
1.56 |
-0.39 |
0.82 |
|
BDS |
7846655 |
2.24 |
1.60 |
-0.07 |
0.79 |
在不同GNSS信号源下，TM L2风速产品的误差特性存在一定差异。其中，GAL信号展现出最优的风速反演性能，其RMSE为2.03m/s，MAE为1.50m/s，MB为-0.40m/s，R达到0.85。这些指标表明，GAL信号在误差控制、反演精度以及与ERA5风速数据的匹配度和稳定性方面均表现最佳。相比之下，GPS信号的风速反演精度稍逊，RMSE为2.16m/s，MAE为1.56m/s，MB为-0.39m/s，R为0.82，但其广泛的覆盖范围和信号稳定性使其在实际应用中仍具有较高的可靠性。BDS
图3 不同GNSS信号源风速反演散点密度图
Fig.3 Scatter density plot of wind speed inversion for different GNSS signal sources
信号的风速反演精度与GPS信号相近，RMSE为2.24m/s，MAE为1.60m/s，R为0.79，且其MB为-0.07m/s，在四种信号源中最小，表明其系统性误差较低，但其稳定性略低于GAL和GPS信号。GLO信号的风速反演性能相对较差，RMSE为2.55m/s，MAE为1.85m/s，MB为-0.31m/s，R为0.72，各项指标均显著低于其他信号源。综合来看，GAL信号在风速反演中表现最为优异，而GLO信号的表现最差。
3.3 不同地理区域分析
海面风速的空间分布受纬度影响较大，不同纬度区域的风速变化趋势、风场结构及GNSS-R信号传播特性均可能影响TM L2风速产品的反演精度。因此，本节评估TM L2风速产品在不同纬度区域的误差特性。表3给出了不同纬度区间的误差统计结果，以探讨风速反演在不同纬度区域的适用性。图4展示了不同纬度区域风速反演的散点密度图。
表3 不同纬度地区风速精度
Table 3 Wind speed accuracy at different latitudes
|
纬度区 |
有效样本量 |
均方根误差(m/s) |
平均绝对误差(m/s) |
平均偏差(m/s) |
相关系数 |
|
北半球低纬度(0~30°N) |
6404774 |
1.85 |
1.28 |
0.17 |
0.76 |
|
北半球中纬度(30°N~60°N) |
6219851 |
2.15 |
1.53 |
-0.19 |
0.80 |
|
北半球高纬度(60°N~90°N) |
688412 |
2.84 |
2.03 |
0.24 |
0.73 |
|
南半球低纬度(0~30°S) |
4676312 |
1.83 |
1.38 |
-0.24 |
0.77 |
|
南半球中纬度(30°S~60°S) |
7348822 |
2.69 |
2.05 |
-0.80 |
0.76 |
|
南半球高纬度(60°S~90°S) |
167723 |
2.87 |
2.20 |
-1.10 |
0.73 |
图4 不同纬度地区风速反演散点密度图
Fig.4 Scatter density maps of wind speed inversion at different latitudes
TM L2风速产品在不同纬度区域的风速反演误差存在显著差异，且呈现误差由低纬度向高纬度递增的趋势。
低纬度区域(0°~30°N和0°~30°S)误差最小，风速反演精度较高。北半球低纬度和南半球低纬度的RMSE分别为1.85m/s和1.83m/s，均小于其他纬度区域。此外，相关系数较高，分别为0.76和0.77，表明TM L2风速产品在该区域的风速反演结果与ERA5风速数据的一致性较好。MB较小，北半球低纬度为0.17m/s，南半球低纬度为-0.24m/s，表明系统性误差较低。低纬度区域风场相对稳定，受热带信风和赤道辐合带影响，风速变化较小，有助于提高GNSS-R风速反演的稳定性。
中纬度区域(30°~60°N和30°~60°S)误差有所增加，风速反演精度下降。北半球中纬度的RMSE为2.15m/s，南半球中纬度的RMSE为2.69m/s，均高于低纬度区域。相关系数仍然较高，分别为0.80和0.76。但风速反演的系统性误差开始增大，北半球和南半球MB分别为-0.19m/s和-0.80m/s。特别是南半球中纬度的MB明显偏负，说明TM L2风速在该区域存在一定程度的低估。这可能与中纬度西风带及风暴活动的增强有关，使得海面风速波动较大，影响GNSS-R风速反演的精度。
高纬度区域(60°~90°N和60°~90°S)误差最大，风速反演精度最低。北半球高纬度的RMSE为2.84m/s，南半球高纬度RMSE达到2.87m/s，均为所有纬度区间中误差最大的区域。相关系数R也较低，表明高纬度地区TM L2风速产品与ERA5风速数据的一致性较差。MB分别为0.24m/s和-1.10m/s，特别是南极区域的风速明显偏低，表明TM L2风速在南极区域可能存在更严重的低估问题。这可能与极地地区的复杂海况、海冰覆盖及GNSS-R信号的传播特性有关，高纬度地区的GNSS-R风速反演可能受信号路径变化、大气折射及海冰影响，使得风速反演误差增大。
4 结论
为评估GNSS-R风速反演的全球适用性，本文选取ECMWF ERA5再分析风速数据作为参考风速，对TM L2风速产品在不同风速区间、GNSS信号源及地理区域的精度进行了系统检验。实验结果表明:TM L2风速产品的整体均方根误差(RMSE)为2.22m/s。风速区间分析显示，该产品的反演精度具有风速依赖性:当风速低于10m/s 时，反演结果与ERA5参考值保持较高一致性;然而，随着风速的增加，误差呈上升趋势，尤其在高风速条件下，误差显著增大，这表明GNSS-R在高风速条件下对海洋表面粗糙度变化的感知能力存在不足。此外，基于不同GNSS信号源的风速反演精度存在差异，其中Galileo误差最小(2.03m/s)，而Glonass误差最大(2.55m/s)。地理分布方面，GNSS-R风速反演精度呈现显著纬度梯度特征。低纬度区域表现最优，南、北半球低纬度的均方根误差分别为1.83m/s和1.85m/s，显著优于高纬度区域的2.87m/s和2.84m/s。这种空间分异特征与低纬度海域开阔、海表粗糙度单一，而高纬度受海冰边缘区混合反射及电离层扰动增强等因素有关。
本研究表明，GNSS-R风速反演技术在全球应用中仍面临高风速敏感性衰减和高纬度极地区域适用性差等关键挑战。未来研究可建立极地海冰覆盖率与GNSS-R反射信号衰减的关系模型，结合电离层延迟校正算法，降低高纬度环境干扰误差。
利益冲突: 作者声明没有利益冲突。
[①] *通讯作者 Corresponding author:宋冬梅，songdongmei@upc.edu.cn
收稿日期:2025-03-03; 录用日期:2025-03-09; 发表日期:2025-06-28
基金项目:本研究得到国家自然科学基金(资助号:U22A20586，41772350，61371189)、山东省重点研发计划项目(资助号:2019GGX101033)的资助。
参考文献(References)
[1] 刘原华, 冯琳芳, 牛新亮. GNSS-R海面风场数据处理技术探讨[J]. 导航定位学报, 2020, 8(3): 76-80.
https://doi.org/10.3969/j.issn.2095-4999.2020.03.012.
[2] 万玮, 陈秀万, 彭学峰, 等. GNSS遥感研究与应用进展和展望[J]. 遥感学报, 2016, 20(5): 858-874.
https://doi.org/10.11834/jrs.20166228.
[3] 杨东凯, 刘毅, 王峰. 星载GNSS-R海面风速反演方法研究[J]. 电子与信息学报, 2018, 40(02): 462-469.
https://doi.org/10.11999/JEIT170490.
[4] Milad A, Caroline A, Tobias W, et al. GNSS reflectometry global ocean wind speed using deep learning: Development and assessment of CyGNSSnet[J]. Remote Sensing of Environment, 2022, 269: 112801.
https://doi.org/10.1016/j.rse.2021.112801.
[5] Wang C, Yu K, Qu F, et al. Spaceborne GNSS-R Wind Speed Retrieval Using Machine Learning Methods. Remote Sensing. 2022; 14(14): 3507.
https://doi.org/10.3390/RS14143507.
[6] Xiaohui L, Dongkai Y, Jingsong Y, et al. Analysis of coastal wind speed retrieval from CYGNSS mission using artificial neural network[J]. Remote Sensing of Environment, 2021, 260: 112454.
https://doi.org/10.1016/J.RSE.2021.112454.
[7] Daixin Z, Konrad H, Milad A, et al. DDM-Former: Transformer networks for GNSS reflectometry global ocean wind speed estimation[J]. Remote Sensing of Environment, 2023, 294: 113629.
https://doi.org/10.1016/J.RSE.2023.113629.
[8] 梁月吉, 蒋雪玉, 党毓茜, 等. 基于机器学习的海面风速和有效波高联合反演[J]. 海洋测绘, 2024, 44(04): 64-68.
https://doi.org/10.3969/j.issn.1671-3044.2024.04.014.
[9] 刘晓燕, 张萌, 林晓娟, 等. HY-2D 卫星散射计海面风场产品在西北太平洋区域的适用性分析[J]. 海洋预报, 2024, 41(5): 89-98
https://doi.org/10.11737/j.issn.1003-0239.2024.05.009.
[10] 夏天竹, 李肖霞, 于润玲, 等. 基于四种资料的超强台风利奇马(1909)期间海面风变化特征对比分析[J]. 大气科学, 2024, 48(06): 2374-2388.
https://doi.org/10.3878/j.issn.1006-9895.2306.23042.
[11] Xia J, Liu Q, Tan L. A Deep Learning Method Integrating Multisource Data for ECMWF Forecasting Products Correction[J/OL]. IEEE Geoscience and Remote Sensing Letters, 2023, 20: 1-5.
https://doi.org/10.1109/LGRS.2023.3307717.
[12] Clarizia M P, Ruf C S. Wind Speed Retrieval Algorithm for the Cyclone Global Navigation Satellite System(CYGNSS)Mission[J]. IEEE Transactions on Geoenceand Remote Sensing, 2016, 54(8): 4419-4432.
https://doi.org/10.1109/TGRS.2016.2541343.
Global Applicability Analysis of GNSS-R Sea Surface Wind Speed Retrieval Based on TM-1
(School of Oceanography and Space Informatics, China University of Petroleum (East China) , Qingdao 266580, China)
Abstract: Global Navigation Satellite System Reflectometry (GNSS-R) technology demonstrates significant potential in sea surface wind speed retrieval due to its advantages of low cost, strong signal penetration, and all-weather observation capabilities. However, current spaceborne GNSS-R research primarily focuses on low-latitude regions owing to the limited coverage of CYGNSS satellites, lacking systematic validation of GNSS-R wind speed retrieval' s global applicability. Therefore, this study systematically evaluates the global applicability of GNSS-R wind speed retrieval from three dimensions—wind speed range, GNSS signal sources, and geographical regions—using the Tianmu-1 meteorological constellation (TM-1) L2 sea surface wind speed product combined with ERA5, the fifth-generation global reanalysis data from the European Centre for Medium-Range Weather Forecasts. Statistical results indicate that TM-1 wind speed products exhibit global inversion capability with an overall root mean square error (RMSE) of 2. 22m/s, and the inversion accuracy shows a significant dependence on wind speed. The inversion accuracy is higher in the low wind speed range below 10m/s, but the inversion accuracy gradually decreases with increasing wind speed, particularly demonstrating limitations in sensing sea surface roughness variations under high wind speeds. Furthermore, wind speed retrieval accuracy varies among different GNSS signal sources, with Galileo signals showing optimal performance and Glonass signals the poorest. Geographically, inversion accuracy decreases with increasing latitude, displaying distinct latitudinal gradient characteristics. This phenomenon suggests GNSS-R maintains good applicability in low-latitude regions, while experiencing significantly increased inversion errors in high-latitude polar areas due to sea ice coverage and enhanced wind-wave interactions. This research provides quantitative assessment of GNSS-R' s global applicability for wind speed retrieval and establishes a foundation for optimizing GNSS-R applications in mid-high latitude regions and high wind speed conditions.
Keywords: Sea surface wind speed, GNSS-R, TM-1
Citation: PAN Yuewei, SONG Dongmei. Global Applicability Analysis of GNSS-R sea surface wind speed retrieval based on TM-1[J]. Acta Interdisciplinary Science, 2025, 2(2): 58-66.